Dane do inteligentnego sterowania roletami: słońce, prognoza OpenWeatherMap, fotowoltaika, temperatura i kontaktron

Inteligentne zacienianie zaczyna się od danych, nie od ruchu silnika. Budujemy osobne źródła informacji o słońcu, pogodzie, PV, temperaturze każdego pomieszczenia i drzwiach R01, a potem sprawdzamy je na jednym dashboardzie diagnostycznym.

Inteligentne rolety nie powinny reagować tylko na godzinę. Ten sam dzień o 14:00 może być bezchmurny, całkowicie pochmurny albo deszczowy. Słońce może znajdować się idealnie przed zachodnim oknem, ale chmura może odciąć prawie całe promieniowanie. Z kolei prognoza może zapowiadać zachmurzenie, a nad naszym domem przez pół godziny świecić pełne słońce.

Do pobierania prognozy użyjemy szablonów wyzwalanych czasowo. Home Assistant oficjalnie pokazuje taki sposób wykorzystania weather.get_forecasts: akcja pobiera dane, zapisuje je do zmiennej odpowiedzi, a sensory korzystają z tej zmiennej. Wyzwalacz minutes: "15" oznacza uruchomienie raz na godzinę, zawsze o piętnastej minucie. Dodatkowe uruchomienie po starcie Home Assistant sprawia, że po restarcie nie musimy czekać do kolejnej pełnej godziny.

W tej lekcji nie wpisujemy jeszcze ostatecznych zakresów azymutu dla wschodu, południa i zachodu. W następnej lekcji dopasujemy je do prawdziwego domu, obserwując moment, w którym słońce zaczyna i przestaje padać na konkretne okna.

Jeżeli dom ma fotowoltaikę, możemy wykorzystać bardzo cenny sygnał. Panele reagują na rzeczywiste promieniowanie docierające do instalacji. Gdy nad domem przechodzi ciężka chmura, moc PV zwykle spada. Gdy niebo się otwiera, moc rośnie.

Sama wartość 3000 W niczego nie mówi bez kontekstu. Dla instalacji 3 kWp może oznaczać bardzo dobre warunki. Dla instalacji 15 kWp będzie to raczej słaba produkcja. Potrzebujemy więc wartości odniesienia dla konkretnego domu. Najlepiej zacząć od realnej mocy, którą instalacja osiąga w pogodny dzień przy korzystnym położeniu słońca. Jeżeli masz 10 kWp paneli, ale dach wschód-zachód daje typowy maksymalny poziom około 7,5 kW, jako wartość odniesienia możemy przyjąć 7500 W zamiast teoretycznych 10000 W.

Niezależnie od tego, czy źródłem jest IN19 boneIO, czy Aqara przy Shelly, dalsza automatyka powinna korzystać z jednej stałej encji. Podmień encję źródłową na właściwą dla swojej architektury. Najważniejsze jest availability. Gdy czujnik przestaje odpowiadać, nowa encja ma być niedostępna. Nie wolno zamieniać awarii czujnika na informację, że drzwi są zamknięte.

W przyszłości możesz wymienić SONOFF na Aqara, Fronius na Deye albo zmienić integrację falownika z Modbus na coś innego. Dalsza logika LAB-u będzie korzystała ze stałej warstwy pośredniej: sensor.temperatura_salon_rolety, sensor.temperatura_kuchnia_rolety, sensor.temperatura_gabinet_rolety, sensor.temperatura_sypialnia_rolety, sensor.temperatura_pokoj_1_rolety, sensor.temperatura_pokoj_2_rolety, sensor.temperatura_lazienka_rolety oraz sensor.moc_pv_dla_rolet. Dzięki temu wymiana fizycznego źródła danych nie wymaga przepisywania reguł dla R01-R08 - zmieniasz źródło w jednym miejscu.

• OpenWeatherMap v3.0 i weather.get_forecasts
• Temperatura osobno dla wszystkich pomieszczeń
• PV jako lokalny wskaźnik nasłonecznienia
• Pełny dashboard diagnostyczny
• Jakie informacje są nam naprawdę potrzebne
• Urządzenia i integracje, których użyjemy w przykładach
• OpenWeatherMap: który tryb wybieramy
• Zakładamy konto i tworzymy klucz API
• Dodajemy OpenWeatherMap do Home Assistant
• Sprawdzamy, czy prognoza godzinowa naprawdę działa
• Z prognozy wyciągamy tylko to, czego potrzebują rolety
• Tworzymy sensory prognozy w Home Assistant
• Sprawdzamy konfigurację zanim zrestartujemy Home Assistant
• Bieżące zachmurzenie z OpenWeatherMap
• Położenie słońca z wbudowanej integracji Sun
• Najpierw sprawdzamy sun.sun

Nie przeskakujemy od teorii prosto do gotowego efektu. Zaczynamy od OpenWeatherMap v3.0 i weather.get_forecasts, następnie porządkujemy Temperatura osobno dla wszystkich pomieszczeń i dopiero później przechodzimy do PV jako lokalny wskaźnik nasłonecznienia. W praktycznym systemie rolet kolejność ma znaczenie: błąd z początku konfiguracji może wyglądać jak problem Home Assistant dopiero kilka etapów później. Dlatego materiał pokazuje nie tylko co ustawić, ale również po czym rozpoznać poprawny rezultat i kiedy zatrzymać się przed następnym krokiem.

Pełna lekcja łączy wykonanie z diagnostyką. Po drodze wracamy do takich punktów jak Pełny dashboard diagnostyczny oraz Jakie informacje są nam naprawdę potrzebne. Nie zakładamy, że identyczne ustawienie będzie poprawne w każdym domu. Tam, gdzie wynik zależy od napędu, instalacji, kierunku elewacji, czasu ruchu lub zachowania domowników, dostajesz procedurę pomiaru i strojenia zamiast jednej „magicznej” liczby do skopiowania.

Na końcu etap musi dać się zweryfikować. Jeśli wynik jest inny niż opisany, pełna wersja prowadzi przez sprawdzenie przyczyny przed dołożeniem kolejnej warstwy. Dzięki temu następne lekcje opierają się na sprawdzonym fundamencie, a nie na przypadkowo działającej konfiguracji, która psuje się przy pierwszym restarcie, zmianie pogody albo użyciu fizycznego przycisku.

Będziesz mieć przygotowane i sprawdzone: kąt azymutu słońca, wysokość słońca nad horyzontem, bieżące zachmurzenie, prognozę godzinową z OpenWeatherMap, prognozowaną maksymalną temperaturę na najbliższe 6 godzin, średnie zachmurzenie na 3 godziny, aktualną moc PV, średnią moc PV z 10 minut, wskaźnik rzeczywistego nasłonecznienia z PV, temperaturę osobno w każdym z siedmiu pomieszczeń domu referencyjnego oraz stan drzwi R01.

Ta lekcja jest częścią kursu Smart Home od Zera na platformie MarkLabs E-Learning. Pełna wersja prowadzi przez konfigurację, testy, diagnostykę i przypadki awaryjne bez zostawiania Cię z poleceniem „skonfiguruj to sam”.